Sous l'influence du réchauffement climatique, l'Arctique est en train de passer d'un état dominé par des glaces épaisses pluriannuelles à un « Nouvel Arctique » caractérisé principalement par des glaces minces de première année. Cette glace plus jeune est plus fragile et sujette à la fonte, ce qui non seulement exacerbe l'instabilité de la couverture de glace, mais introduit également de nouveaux défis pour la prévision des glaces de mer.
Une prévision précise de la glace de mer est d’une grande valeur pour comprendre le système climatique et garantir la sécurité de la navigation dans l’Arctique. Cependant, en raison de l’influence combinée de facteurs atmosphériques, océaniques et autres, la prévision précise reste un objectif clé de la recherche internationale.
Récemment, le professeur agrégé Baoqiang Tian de l'Institut de physique atmosphérique de l'Académie chinoise des sciences et le professeur Ke Fan de l'Université Sun Yat-sen ont développé une nouvelle méthode de prévision en temps réel de l'étendue des glaces de mer dans l'Arctique en septembre, basée sur des approches d'incrément interannuel et de régression par étapes.
Les résultats ont été publiés dans Lettres scientifiques atmosphériques et océaniques sous le titre « Une nouvelle méthode de régression pas à pas pour prédire l'étendue des glaces de mer panarctiques en septembre : comparaison avec les réseaux neuronaux à mémoire à long et à court terme. »
L'étude montre que cette méthode, qui intègre les conditions initiales de la glace de mer aux processus thermodynamiques et dynamiques, sélectionne des prédicteurs efficaces par régression pas à pas et intègre l'approche d'incrément interannuel, démontre des performances prédictives élevées pour l'étendue de la glace de mer panarctique en septembre.
Comparée aux réseaux neuronaux LSTM (mémoire à long terme et à long terme), la nouvelle méthode présente des erreurs de prédiction plus faibles et une plus grande stabilité lors de tests indépendants de 2014 à 2022. Sa précision de prédiction dépasse également celle des prévisions publiées par Sea Ice Outlook.
Bien que le LSTM fonctionne bien pendant la phase de formation, sa robustesse de prévision dans le monde réel est inférieure à celle de la nouvelle méthode, une limitation potentiellement imputable à la disponibilité limitée des données sur la glace de mer, ce qui peut conduire à un surajustement dans des modèles complexes d'apprentissage automatique.
Le professeur Ke Fan, auteur correspondant de l'article, explique que « notre méthode de prédiction prend non seulement en compte l'indépendance des prédicteurs pour éviter le surajustement, mais amplifie également le signal de prédiction grâce à l'approche d'incrément interannuel, améliorant ainsi la capacité prédictive du modèle. »
